39 Principes pour Réinventer l'Interaction Homme-IA

Un Cadre pour l'Interaction Homme-IA

Dans le monde en constante évolution des technologies, la conception d'interfaces d'intelligence artificielle (IA) doit répondre à des exigences spécifiques pour garantir une interaction efficace et sécurisée entre l'homme et la machine. Contrairement aux interfaces traditionnelles, où chaque action a une fonction prédéfinie et les erreurs peuvent être anticipées, les systèmes d'IA sont intrinsèquement moins prévisibles. Ils introduisent une variabilité où la même entrée peut générer des résultats différents, rendant la qualité du produit dépendante non seulement du modèle, mais aussi de l'interface et des instructions qui l'entourent.

Les défis posés par l'IA en matière d'interaction ne se limitent pas à la cosmétique. Ils touchent au cœur même de la capacité des utilisateurs à évaluer les résultats, à corriger les erreurs et à rester responsables des décisions prises. La question cruciale est donc de savoir comment aider les utilisateurs à faire confiance à l'IA de manière appropriée. Cet article se propose de transformer des recherches complexes en principes de conception concrets, en s'appuyant sur des domaines tels que l'interaction humain-IA, les systèmes d'initiative mixte, et l'IA responsable.

Fondements Théoriques des Principes

Ce cadre de conception s'appuie sur des recherches établies dans plusieurs domaines clés. Parmi eux, les spécifications de modèle de frontière, comme le Model Spec d'OpenAI et la Claude Constitution d'Anthropic, qui soulignent l'importance de l'honnêteté sur la nature du système et la nécessité de maintenir une supervision humaine. Ces principes influencent directement les nouvelles directives de conception.

L'interaction d'initiative mixte, étudiée par Eric Horvitz, offre une base pour décider quand un système d'IA doit agir ou suggérer, en traitant l'interaction comme une décision partagée entre humain et machine. Des guides pratiques comme le PAIR Guidebook de Google et les principes d'IA générative d'IBM fournissent des couches appliquées pour concevoir des systèmes qui répondent aux besoins des utilisateurs tout en tenant compte de la variabilité et de l'imperfection inhérentes à l'IA.

Microsoft, avec ses 18 lignes directrices pour l'interaction humain-IA, organise ces principes en quatre phases, en mettant l'accent sur la gestion des erreurs, qui ne sont pas des cas marginaux mais des occurrences fréquentes dans l'IA.

Un Cadre de Conception Pratique

Les interfaces doivent clarifier le rôle du système, aider les utilisateurs à comprendre et vérifier les résultats, préserver le contrôle utilisateur et soutenir la correction d'erreurs. Voici les principaux éléments de ce cadre :

• Fondation probabiliste : Concevoir pour l'inférence et la variabilité.
• Définition des attentes : Clarifier les capacités et les limites de l'IA dès le début.
• Confiance calibrée : Aligner la dépendance utilisateur avec la fiabilité du système.
• Transparence : Rendre le raisonnement et les preuves inspectables.
• Contrôle et autonomie : Faciliter l'acceptation, le rejet, l'édition et l'annulation.
• Échec gracieux : Rendre l'incertitude et l'erreur récupérables.
• Co-création : Traiter la sortie comme un brouillon.
• Autonomie responsable : Contraindre l'action par les enjeux et la réversibilité.
• Dépendance soutenue : Gérer la qualité et le changement au fil du temps.

Fondation Probabiliste

Les modèles d'IA se comportent plus comme des services probabilistes que comme des fonctions fixes. Ils produisent une distribution de résultats plutôt qu'une réponse unique. Il est crucial de concevoir pour cette dispersion.

1. Utiliser l'IA là où elle excelle : L'IA est particulièrement efficace lorsque les entrées sont désordonnées ou ambiguës, ou lorsque de grandes quantités d'informations doivent être synthétisées. Elle est moins performante pour les tâches nécessitant précision et répétabilité.

   Par exemple, Linear utilise l'IA pour résumer de longs fils de discussion ou identifier des travaux connexes, tout en maintenant une interface déterministe pour les tâches nécessitant précision, comme la gestion des statuts ou des permissions.

2. Concevoir pour la variabilité générative : La même invite peut produire plusieurs réponses acceptables. Cette variation est souvent une valeur ajoutée plutôt qu'un défaut.

   L'interface doit permettre aux utilisateurs de travailler avec cette variation, en proposant plusieurs brouillons ou des actions de régénération. Dans des tâches exploratoires comme l'écriture ou le design, montrer plusieurs options peut être plus utile qu'une seule réponse.

   Midjourney, par exemple, propose une grille de quatre images par invite, transformant la variance en choix plutôt qu'en erreur.

3. Adapter le modèle d'interaction à la tâche : Chaque fonctionnalité d'IA ne doit pas être un chatbot. Le modèle d'interaction doit correspondre au type d'entrée et aux conséquences de la sortie.

Pour des tâches simples, l'IA peut apparaître comme une suggestion intégrée. Pour des tâches plus complexes, le système doit inclure des plans et des points de contrôle.

Notion, par exemple, intègre des réécritures rapides tout en dirigeant les questions ouvertes vers un panneau d'IA conversationnelle.

Définition des Attentes

Les utilisateurs forment des attentes avant même de lire la première sortie de l'IA.

1. Indiquer les capacités et les limites du système : Les utilisateurs doivent savoir non seulement ce que le système peut faire, mais aussi où ses limites se situent.

   ChatGPT, par exemple, se présente comme un assistant polyvalent mais doit signaler clairement lorsqu'il ne peut pas accéder à certaines informations.

2. Résoudre le problème de la toile vierge : Une boîte de prompt vide ne guide pas les utilisateurs. Des guides comme des exemples de prompts ou des modèles peuvent aider à exprimer l'intention plus clairement.

   Canva Magic Design, par exemple, propose des modèles prêts à l'emploi dès que vous décrivez un projet.

3. Encadrer la sortie comme un point de départ : La présentation de la sortie influence la manière dont elle est perçue. Des termes comme "brouillon" ou "suggestion" indiquent que la sortie doit être inspectée.

   Gmail, avec sa fonctionnalité Gemini, présente les e-mails générés comme des "brouillons", encourageant les utilisateurs à les réviser avant envoi.

4. Signaler le rôle de l'IA : Les utilisateurs doivent savoir quand le contenu est généré par l'IA. Cela évite les problèmes d'attribution et de responsabilité.

   Meta, par exemple, étiquette le contenu généré par l'IA sur ses plateformes pour clarifier son origine.

5. Adapter l'explication à l'expertise de l'utilisateur : La transparence et le contrôle doivent être adaptés au niveau de compétence de l'utilisateur.

   GitHub Copilot offre des niveaux de configuration différents selon que l'utilisateur est novice ou expert.

6. Représenter honnêtement la nature de l'IA : Ne pas sur-humaniser le système pour éviter des attentes irréalistes.

   Ryanair, par exemple, présente son assistant de voyage IA avec une personnalité humaine, ce qui peut brouiller la responsabilité et les attentes des utilisateurs.

Confiance Calibrée

La confiance calibrée signifie que la dépendance de l'utilisateur doit correspondre à la fiabilité réelle du système. L'interface doit réduire les formes de dépendance inappropriées en fournissant des informations claires sur les capacités et les limites de l'IA.

Pour garantir que les utilisateurs ne se fient pas aveuglément à l'IA, il est essentiel de calibrer la confiance. Cela implique de s'assurer que la dépendance des utilisateurs est proportionnelle à la fiabilité du système dans la tâche à accomplir. L'interface doit ainsi fournir des indications claires sur les capacités et les limites du système, afin que les utilisateurs puissent ajuster leur niveau de confiance en conséquence.

Transparence

La transparence est un élément clé pour établir une relation de confiance entre l'utilisateur et le système d'IA. Les utilisateurs doivent être en mesure de comprendre comment et pourquoi le système prend certaines décisions. Cela nécessite de rendre le raisonnement du système et les preuves sous-jacentes inspectables lorsque cela est nécessaire.

Contrôle et Autonomie

Les utilisateurs doivent avoir la possibilité de contrôler les actions de l'IA et de prendre des décisions finales. Cela signifie qu'ils doivent pouvoir accepter, rejeter, éditer, annuler ou substituer les suggestions de l'IA facilement. Un bon système d'IA doit offrir aux utilisateurs un niveau d'autonomie qui leur permet de rester maîtres de leurs décisions.

Échec Gracieux

Les systèmes d'IA doivent être conçus pour gérer les erreurs de manière élégante. Cela implique de rendre l'incertitude et les erreurs récupérables, afin que les utilisateurs puissent corriger les problèmes sans trop de difficulté. Un système bien conçu doit permettre aux utilisateurs de revenir en arrière et de corriger les erreurs sans perdre de temps ni d'efforts.

Co-création

L'IA doit être considérée comme un partenaire dans le processus de création, plutôt que comme une source de vérité absolue. Les sorties générées par l'IA doivent être traitées comme des brouillons ou des suggestions, permettant aux utilisateurs de les modifier et de les adapter à leurs besoins spécifiques. Cela encourage une approche collaborative où l'utilisateur et l'IA travaillent ensemble pour atteindre un objectif commun.

Autonomie Responsable

L'autonomie de l'IA doit être limitée par les enjeux, la réversibilité et la permission. Cela signifie que l'IA ne doit pas prendre de décisions importantes sans l'accord explicite de l'utilisateur. Les systèmes doivent être conçus pour respecter les préférences et les limites fixées par les utilisateurs, garantissant ainsi que l'IA agit de manière responsable.

Dépendance Soutenue

Les systèmes d'IA doivent être conçus pour gérer la qualité, la dérive, la propriété et le changement au fil du temps. Cela implique de surveiller et d'ajuster continuellement le système pour s'assurer qu'il reste fiable et pertinent pour les utilisateurs. Un bon système d'IA doit être capable de s'adapter aux évolutions des besoins et des attentes des utilisateurs, garantissant ainsi une dépendance soutenue et une utilisation continue.

En conclusion, la conception d'interfaces d'IA efficaces nécessite une compréhension approfondie des besoins des utilisateurs et des défis posés par les systèmes d'IA. En suivant ces principes, les concepteurs peuvent créer des systèmes qui favorisent la confiance, la transparence et le contrôle utilisateur, tout en permettant une interaction homme-machine harmonieuse et productive.